SLAM学习——建图（二）_orbslam3稠密建图

1.对单目构建稠密地图的讨论

像素梯度的问题

在前面中，通过块匹配来获得匹配结果。块匹配的正确与否，依赖于图像块是否具有区分度，有明显梯度的小块将具有良好的区分度。对于梯度不明显的像素，将比较难估计其有效深度。立体视觉一个常见问题：对物体纹理的依赖性。

像素梯度与极线的关系：像素梯度平行于极线方向以及垂直于极线方向。
像素梯度垂直于极线：当沿极线寻找的时候，发现匹配程度是一样的，得到不到有效匹配。

像素梯度平行于极线：能够精确的找到匹配程度最高的地方。

但是实际上极线与相机深度是有一定的角度的，从上面我们可以看到角度越大，匹配的不确定性越大，角度越小，匹配的不确定性越小。

逆深度问题

当我们描述一个点时，可以用（x,y,z）三个量来描述，而这三个亮可能存在明显的相关性，如果不太好。我们可以描述成（u，v）和d来表示一个点，毕竟相互独立。我们假设的是深度值满足高斯分布
但是，存在以下问题：
1.场景深度大概5-10米，但近处肯定不会小于相机焦距。这个分布并不是像高斯分布那样，形成对称形状，尾部可能稍微长一点，而负数区域为0。
2.在室外应用中，存在距离非常远的点，高斯分布描述他们会有数值计算上的困难。
因此我们设深度的倒数，即逆深度为服从高斯分布，可修改上述程序。

图像间的变换

在块匹配之前，做一次图像到图像间的变换是一种常见的预处理方式。我们假设图像小块在相机运动时保持不变，而这个假设在相机平移时能保持不变，但是发生明显的旋转时难以保持。

根据相机模型，参考帧上的一个像素与真实的三维点世界坐标关系为： ，对于当前帧，亦有在它上面的投影。，消去，可以得到俩副图像之间的像素关系。

—-讨论：尽管双目和移动单目能够建立稠密的地图，但是我们认为它们过于依赖环境纹理和光照ÿ